基于形態學重構的實木地板缺陷分割方法研究

張怡卓，佟 川，于慧伶

(1.浙江大學計算機科學與技術學院，杭州310058;2.東北林業大學機電工程學院，哈爾濱150040)

表面缺陷是實木地板等級下降的主要原因，其在線檢測也是木材分選領域的研究熱點［1-3］。圖像分割是缺陷檢測的關鍵步驟，傳統的方法有梯度算子與區域生長，但是由于傳統方法存在運算速度慢、精度低的問題，因而難以應用于實際的木材在線分選過程［4-5］。

區域生長是根據事先定義的生長規則將像素點或子區域逐步依次合并的過程［6-8］。由于方法沒有詳細定義種子點的選擇條件，使得種子點存在噪聲，影響區域生長結果。此外，區域合并過程要對每一個種子進行鄰域判定，所以，方法的計算代價大。

本文針對傳統區域生長方法存在的種子噪聲與單步搜索而導致的分割時間長、檢測精度低的問題，提出了基于形態學重構的實木地板在線檢測的缺陷分割方法，方法在實現種子點優選同時，實現了區域的快速合并。

1 基于數字形態學的種子優選

首先應用數字形態學的骨架提取方法，保留有效種子點，去除噪聲點;然后應用“去毛刺”操作，去除孤立種子，提高種子點的有效性。

1.1 骨架提取原理

設圖像目標A，其骨架提取可以表示為:

式中:B為一個結構元素，(AΘkB)表示對目標A進行k次腐蝕操作，k表示A被腐蝕為空集前最后一次的迭代步驟［9］。

在腐蝕過程中要避免目標區域的過度腐蝕，即在不刪除端點的同時，要保證目標連接性。設p1的8連通區域如圖1所示。判斷是否為腐蝕過程中骨架上的保留種子點，需要滿足以下2個條件:

圖1 骨架提取說明Fig.1 The instruction of skeleton extraction

式中:N(p1)為 p1的相鄰非零像素個數;T(p1)為序列 p2，p3，p4，p5，p6，p7，p8，p9，p2中自0向1的變換次數。

當p1點同時滿足條件 (3)、(4)時，該點刪除，否則保留。

1.2 “去毛刺”操作

“去毛刺”的目的是要在骨架種子點內去除獨立點，進而完成種子點的優化［9］。毛刺點的判定條件如式5所示。

式中:N(p1)為 p1的相鄰非零像素個數;T(p1)為序列 p2，p3，p4，p5，p6，p7，p8，p9，p2中自0向1的變換次數，同時滿足下式:

2 基于測地膨脹的區域生長

測地膨脹是形態學重構的核心算法［8］。將測地膨脹應用于區域生長過程可以實現種子點在規定區域內、按合并條件的快速生長。

設F為標記圖像，即種子點圖像。G為模板圖像，即限定的生長模板。兩幅圖像均為二值圖像，且F?G。

則n次的F關于G的測地膨脹表示為:

令標記圖像為F，模板圖像為G，F對G的膨脹形態學重建可以表示為(F)，表示F關于G的測地膨脹，通過反復的迭代達到穩定狀態:

3 基于形態學缺陷分割的步驟

(1)灰度變換。將彩色圖像根據事先確定的閾值變換為灰度圖像，其中，低閾值用于種子點優選，以提高優選速度;高閾值用作測地膨脹的限定模版。

(2)預備種子點選取。由于實木地板缺陷包含灰度值較低的像素點，所以選取灰度值較小的點作為預備種子點。

(3)骨架提取與去毛刺操作。提取預備種子點的骨架并進行去毛刺操作，以去除種子點中的干擾點，得到最終的種子點。

(4)生長范圍獲取。選擇含有絕大部分缺陷灰度范圍的二值圖像，即應用較高閾值的灰度圖像作為形態學重構的模板。

(5)形態學重構。以優選的種子點為生長開端，以生長范圍為模板，進行形態學重構，完成核心的生長過程。

(6)孔洞填充。確保缺陷目標的完整性。

(7)平滑邊緣。運用去毛刺操作去除目標邊緣干擾。

(8)缺陷目標確定。將二值圖像與原圖像相乘，確定缺陷目標。

4 試驗與分析

4.1 缺陷分割仿真試驗

仿真試驗在MATLAB環境下進行。圖2為含有缺陷的實木地板灰度圖像，通過確定預備種子的灰度范圍得到預備種子點圖像，如圖3所示。試驗中設定種子灰度范圍為0～50。

在選取的預備種子點中，運用方法1.1、1.2進行了形態學骨架提取與去毛刺操作，得到了優化的種子點，如圖4和圖5所示。

定義生長模版，通過定義較大閾值從而使模版包含全部缺陷，試驗中灰度值范圍設定為0～100，如圖6所示。通過形態學重構進行區域生長，如圖7所示。為保證缺陷的完整性，進行了形態學空洞填充，如圖8所示。為使圖像平滑，進行了去毛刺操作，操作結果如圖9所示，將所得二值生長結果圖像與原灰度圖像相乘，得到分割結果，如圖10所示。

4.2 算法計算時間分析

運用tic與toc函數計算該算法各個步驟在MATLAB環境下CUP內核所消耗的時間。見表1，圖像大小分別為512×512，256×256，128×128。實驗結果表明，圖像越小，處理時間越短，處理速度越快。但就實際情況而言，當圖像過小時缺陷的漏識現象會增加。圖像從512×512降至256×256，處理時間減少了約0.19 s，圖像從256×256到128×128時，處理時間只減少了約0.05 s。所以，運用256×256即能夠保證圖像分割的速度，同時也能夠很大程度上的減少缺陷漏識現象。

表1 內核時間對比Tab.1 Time comparison

4.3 與傳統方法分割比較

由于傳統的區域增長方法沒有對種子點進行優選，使得種子中存在噪聲，致使生長結果存在誤識;而且由于種子點的增加，使得生長速度低。試驗比較在256×256圖像下進行，基于種子優選的區域生長結果如圖10所示，傳統方法的處理結果如圖11所示，運算時間與誤識率比較見表2。試驗結果表明，通過種子的優選降低了缺陷分割中的誤識現象，而且提高了生長速度。

表2 本方法與傳統方法的對比Tab.2 Comparison between the proposed method and traditional one

圖10 本方法結果Fig.10 Results of this method

圖11 傳統方法結果Fig.11 Results of the traditional method

5 結論

本文根據實木地板缺陷的特點，針對傳統分割算法中存在的運算時間長、分割精度低的問題，提出了基于形態學重構的實木地板缺陷分割方法，仿真試驗表明，方法實現種子點的優選，提高了區域生長的運算速度。通過對不同分辨率下的分割結果比較，得出256×256圖像為較理想的在線檢測尺度。

［1］梁善慶，蔡智勇.北美木材無損檢測技術的研究和應用［J］.木材工業，2008，22(3):5-8.

［2］石 嶺，王克奇.板材表面缺陷檢測技術研究［J］.林業機械與木工設備，2005(3):40-42.

［3］張 濤，黎冬青，韓 揚，等.無損檢測技術在木結構古建筑中的應用及發展［J］.林業機械與木工設備，2011，39(8):10-12.

［4］ Doulop J I.Testing of poles by using acoustic pulse method［J］.Wood Science and Technology，2003，1:31-38.

［5］張延林，謝永華.木材缺陷識別方法的研究［J］.森林工程，2008，24(4):33-35.

［6］張怡卓，佟 川，李 想.梯度算子與灰度閾值融合的實木地板節子識別方法研究［J］.林業科技，2012(1):18-20.

［7］ Yarema S Y.Nondestructive testing and technical diagnostics［J］.Materials Science，2003，1:46-49.

［8］王立海，楊學春，徐凱宏.木材缺陷無損檢測技術研究現狀［J］.林業科技，2002，27(5):35-38.

［9］ Gonzalez R C，Woods R E.數字圖像處理［M］.北京:電子工業出版社，2011:402-426.